演讲者为Tomaso Poggio，担任MIT计算机科学与人工智能实验室教授。他是这个世界最早从事人工智能研究的人之一，学生分布在DeepMind（做出AlphaGo）、Moblieye等当今AI顶尖企业。

深度学习：这个时代的炼金术

在这个时代，深度学习有点像炼金术。它要成为真正的化学，还需要很多工作。

23年前，我和Hassabis希望整合计算机视觉和深度学习，创造出一个学习系统，自动辨别行人。当时我们识别出了行人、信号灯，但每秒有10个错误。这是1995年，我们已经非常满意了。

但今天，Mobileye每30英里只出现1个错误，是当年的百万分之一。这种巨大的进步，动因在哪里呢？

首先是机器学习的算法，第一是深度学习，第二是强化学习。它们都来自于认知科学和神经科学。

深度学习的架构，是60年代研究猴子的视觉系统时被发明出来的。创造它，是为了更好研究猴子在学习时大脑的神经结构。然后Fukushima提出了首个量化模型，20年前现代版的HMAX被提出。这些架构都一脉相承——一样的层级架构。从下到上，神经的等级越来越高，每个高级神经元只和下个等级的神经元相连接。

2012年，我们又开发出AlexNet，它是目前性能最好的一个架构。基于神经科学，我们的工程学研究能不断地发展。这是很重要的，因为我们还没实现真正的人工智能。

神经科学：人工智能真正的曙光

深度学习能帮我们解决10%的难题。剩下的90%呢？答案可能在神经科学、认知科学的研究里。

我们必须研究人的思维和大脑。这也是MIT大脑、心智和机器中心CBMM正在研究的问题。我们希望能在理解认知方面有进步，能了解整个智能的架构，和背后的科学原理。大脑中智能的产生，是科学现在要解决的元问题。

为了有所突破，CBMM有以下三条路径：1、计算机科学+机器学习。2、神经科学。3、认知科学。

我们要回答的则是三个基本问题：

1、逼近理论：深层网络在什么情况下，会比浅层网络更有效？

2、最优化：应该如何设计经验风险函数？

3、学习理论：为什么深度学习不会产生过度拟合？

这三个问题，是机器学习的奠基石。它们的答案很复杂，要解决它，我们需要与开始就思考深度学习的局限性，以及一些技术理论。

不理解大脑，就不能真正理解“机器的智能”

越来越多的人将意识到，下一个重大进展将来自我们对人类智慧、大脑的理解。DeepMind就认可这样的理念（他们老大也是做神经科学的）。

我们正在CBM里面开发一个架构，是超越深度学习的，尝试去描述我们的视觉智慧怎么运作。

现在，能将神经科学的成果成功运用的公司并不多。我们应该集中资源去做基础研究。当一个新生儿理解事物时，他会为它贴上标签，“这是小马、那是汽车。”他只要很少的样本就能归纳一个事物。这才是典型的生物学的运作方式，显然跟当前机器的做法完全不同。

我们的大脑充满了智慧，值得我们做更多研究。当我们谈到机器时，并不能过多去跟人类大脑比较，即便它速度更快。在过去50年，计算机取得了很大的进展。但谈到智慧本身，机器肯定还要从人类这里学习。

创建于2018.2.5